学习笔记——大模型Agent核心概念与运行模式

Agent 的核心概念与构建动机

现有的大模型（如 GPT-4, DeepSeek）虽然在回答问题和逻辑推理方面强大，但存在两大核心限制：

为了解决上述局限性，引入了 Agent (AI Agent) 这一概念。

工具的作用： 工具就像是大模型的感官和四肢，例如：读写文件内容、运行终端命令、查看文件列表等工具。有了工具，大模型就可以自主查询文件、写入代码、运行程序，实现完全自动化。

Agent 的类型多样，擅长领域各不相同。

Agent 示例	类型	核心任务
Cursor	编程类 Agent	接受任务，使用大模型和工具编写代码，直至完成任务。
Manaus	深度搜索 Agent	生成执行计划，搜索并浏览相关网页，最后将报告整理成页面展示。

ReAct 是 reasoning and acting (思考与行动) 的缩写，是目前使用最广泛的 Agent 运行模式。

ReAct Agent 通过 Thought → Action → Observation 的循环迭代来推进任务。

关键机制： 大模型本身不能直接调用工具，它只能请求调用工具。实际调用工具的是 Agent 的工具调用组件。

ReAct 模式的实现奥秘主要集中在复杂的系统提示词上。

ReAct 适用于需要即时反馈来指导下一步行动的任务，例如作为简化版的 Claude Code，自动化完成开发程序类的任务，如编写贪吃蛇游戏（通过逐步写入 HTML、CSS、JS 文件）。

Plan and Execute（P&E）模式是“先规划再执行”模式中较为有名的一种实现，其特点是引入了动态修改规划的环节，使其方案更灵活。

P&E Agent 内部结构复杂，通常包含四个主要模块：

P&E 流程是一个 Plan → Execute → Replan 的循环。

P&E 适用于需要整体规划、且后续步骤强依赖前期步骤结果的复杂、长链条任务。

复杂信息链式查询： 例如查询“今年澳网男单冠军的家乡”。Agent 必须分三步：查当前日期 → 查冠军名字 → 查家乡。每一步的执行结果都会被用于调整和精确化下一步计划。

特征	ReAct (思考与行动)	Plan and Execute (规划与执行)
规划阶段	迭代式/隐式规划：在 Thought 环节中决定下一步 Action。	整体分解式/显式规划：由 Plan 模型在任务开始时制定完整计划。
调整机制	隐性调整：Observation 直接影响模型下一个 Thought 的决策。	显性调整：由 Replan 模型专门负责，根据执行记录正式生成新的执行计划。
结构复杂度	相对简单，依赖复杂的系统提示词。	复杂，采用 Agent 套 Agent 模式，需要多个专用模型协同工作。